在智能电网背景下,分时段计量用电场景内各电器用电量在需求侧管理与电能节约等方面能够起到重要作用。非侵入负荷监测(NILM)仅通过采集和分析家庭供电总入口的电压电流,便能及时地推断所监测的目标电器在各时段的用电量。鉴于深度神经网络(DNN)在多领域的成功应用,有学者已经将其用于实现NILM,并取得了满意效果。为提高目标电器用电量估计的准确度和可实施性(尽可能减少前期所需要的先验知识),本文针对现有研究所存在的输入丢失和训练数据量不丰富的潜在问题,建立了一种仅采用仿真总口数据训练神经网络的方法。创新点包括:1)提出了一种扩展式输入的神经网络方法。该方法通过双向延长输入窗口的长度,确保能够将较完整的目标电器工作过程输入至神经网络中,补充原先会被丢失的信息;2)提出了一种基于目标电器背景负荷的仿真总口数据合成方法。该方法能够生成丰富且合理的训练数据;3)设计了一种背景筛选过程,借以在避免时间同步单独量测的前提下,准确地提取合成仿真总口数据时所需的背景负荷。在提高电量估计准确度的基础上,所建立的整套方法仅需无标记的真实总口数据和目标电器的典型工作曲线,降低了训练数据的获取难度。对比实验结果表明,该方法的电量估计准确度高于基于深度学习的现有方法和基于马尔科夫模型的经典方法。但背景筛选目前主要适用于诸如热水壶和洗衣机等工作时长远小于非工作时长的电器。